論文の概要: Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal

• arxiv url: http://arxiv.org/abs/2603.28224v1
• Date: Mon, 30 Mar 2026 09:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.326067
• Title: Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal
• Title（参考訳）: Ghost-FWL: ゴースト検出と除去のための大規模フルウェーブフォームLiDARデータセット
• Authors: Kazuma Ikeda, Ryosei Hara, Rokuto Nagata, Ozora Sako. Zihao Ding, Takahiro Kado, Ibuki Fujioka, Taro Beppu, Mariko Isogawa, Kentaro Yoshioka,
• Abstract要約: ゴーストポイント(ゴーストポイント、またはゴーストポイント)は、ガラスと反射面からのマルチパスレーザーの反射によって引き起こされる偽反射であり、3Dマッピングと位置決め精度が著しく低下している。 We exploit full-waveform LiDAR (FWL) which captures complete temporal intensity profiles not only peak distances。 Ghost-FWLは、ゴースト検出と削除のための最初の、そして最大のアノテートされたモバイルFWLデータセットである。
• 参考スコア（独自算出の注目度）: 2.365650942022388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR has become an essential sensing modality in autonomous driving, robotics, and smart-city applications. However, ghost points (or ghosts), which are false reflections caused by multi-path laser returns from glass and reflective surfaces, severely degrade 3D mapping and localization accuracy. Prior ghost removal relies on geometric consistency in dense point clouds, failing on mobile LiDAR's sparse, dynamic data. We address this by exploiting full-waveform LiDAR (FWL), which captures complete temporal intensity profiles rather than just peak distances, providing crucial cues for distinguishing ghosts from genuine reflections in mobile scenarios. As this is a new task, we present Ghost-FWL, the first and largest annotated mobile FWL dataset for ghost detection and removal. Ghost-FWL comprises 24K frames across 10 diverse scenes with 7.5 billion peak-level annotations, which is 100x larger than existing annotated FWL datasets. Benefiting from this large-scale dataset, we establish a FWL-based baseline model for ghost detection and propose FWL-MAE, a masked autoencoder for efficient self-supervised representation learning on FWL data. Experiments show that our baseline outperforms existing methods in ghost removal accuracy, and our ghost removal further enhances downstream tasks such as LiDAR-based SLAM (66% trajectory error reduction) and 3D object detection (50x false positive reduction). The dataset and code is publicly available and can be accessed via the project page: https://keio-csg.github.io/Ghost-FWL
• Abstract（参考訳）: LiDARは、自動運転、ロボティクス、スマートシティアプリケーションにおいて、重要な感覚モダリティとなっている。 しかし、ガラスや反射面から多経路レーザーによって引き起こされる偽反射であるゴーストポイント(またはゴースト)は、3Dマッピングと位置決め精度を著しく低下させる。 以前のゴースト除去は、密度の高い点の雲における幾何的一貫性に依存しており、モバイルのLiDARのスパースでダイナミックなデータでは失敗する。 我々は、ピーク距離だけでなく、完全な時間強度プロファイルをキャプチャするフルウェーブフォームLiDAR(FWL)を活用することで、モバイルシナリオにおける真のリフレクションとゴーストを区別するための重要な手がかりを提供する。 新たなタスクであるGhost-FWLは、ゴースト検出と削除のための最初の、そして最大のアノテートされたモバイルFWLデータセットである。 Ghost-FWLは10の異なるシーンにわたる24Kフレームで構成され、75億のピークレベルのアノテーションを持つ。 この大規模データセットから、ゴースト検出のためのFWLベースのベースラインモデルを確立し、FWLデータに基づく効率的な自己教師付き表現学習のためのマスク付きオートエンコーダFWL-MAEを提案する。 実験の結果, ゴースト除去精度は既存の手法よりも優れており, ゴースト除去はLiDARベースのSLAM(66%) や3Dオブジェクト検出(50倍の偽陽性)といった下流タスクをさらに向上させることがわかった。 データセットとコードは公開されており、プロジェクトページからアクセスできる。

関連論文リスト

• Multistream Network for LiDAR and Camera-based 3D Object Detection in Outdoor Scenes [59.78696921486972]
  LiDARとRGBデータの融合により、屋外の3Dオブジェクト検出精度が向上する可能性がある。 両データモダリティからタスク関連情報を的確に抽出するMultiStream Detection (MuStD) ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-07-25T14:20:16Z)
• LED: LLM Enhanced Open-Vocabulary Object Detection without Human Curated Data Generation [52.58791563814837]
  大規模視覚言語データに基づいてトレーニングされた大規模な基礎モデルは、OVD(Open-Vocabulary Object Detection)を加速させる。 本稿では,Large Language Models (LLMs) のデコーダ層を利用して,視覚的グラウンド化を強化する手法を提案する。 中間的なLCM層は、既にリッチな空間意味論を符号化しており、初期層のみを適用すると、ほとんどの利得が得られる。
  論文  参考訳（メタデータ） (2025-03-18T00:50:40Z)
• FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
  3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。 本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。 この手法をFocalFormer3Dとしてインスタンス化する。
  論文  参考訳（メタデータ） (2023-08-08T20:06:12Z)
• GAANet: Ghost Auto Anchor Network for Detecting Varying Size Drones in Dark [26.76350889866067]
  赤外線画像に対するGhost Auto Anchor Network (GAANet) と呼ばれるオブジェクト検出器を提案する。 この検出器はYOLOv5コアを使用して、赤外線画像の物体検出の課題に対処する。 GAANetの総合平均精度は、それぞれ2.5%、2.3%、および1.4%である。
  論文  参考訳（メタデータ） (2023-05-05T10:46:05Z)
• Super Sparse 3D Object Detection [48.684300007948906]
  LiDARベースの3Dオブジェクト検出は、自動運転における長距離認識にますます貢献する。 高速な長距離検出を実現するため,まずフルスパース物体検出器FSDを提案する。 FSD++は、連続するフレーム間の点変化を示す残差点を生成する。
  論文  参考訳（メタデータ） (2023-01-05T17:03:56Z)
• Li3DeTr: A LiDAR based 3D Detection Transformer [0.0]
  Li3DeTrは、自動運転のためのLiDARベースの3D検出トランスである。 Li3DeTrネットワークは61.3%のmAPと67.6%のNDSを達成した。
  論文  参考訳（メタデータ） (2022-10-27T12:23:54Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• RAANet: Range-Aware Attention Network for LiDAR-based 3D Object Detection with Auxiliary Density Level Estimation [11.180128679075716]
  自律運転のためのLiDARデータから3Dオブジェクトを検出するために,Range-Aware Attention Network (RAANet) が開発された。 RAANetはより強力なBEV機能を抽出し、優れた3Dオブジェクト検出を生成する。 nuScenesデータセットの実験により,提案手法がLiDARを用いた3Dオブジェクト検出の最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-11-18T04:20:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。